โมเดลข้อมูล

การวิเคราะห์ Differential Expression ด้วย limma ใน R

John Blischak

Instructor

พร้อมสำหรับการวิเคราะห์

# Plot principal components labeled by genotype
plotMDS(eset, labels = pData(eset)[, "genotype"], gene.selection = "common")
# Plot principal components labeled by treatment
plotMDS(eset, labels = pData(eset)[, "treatment"], gene.selection = "common")

ขั้นตอนการวิเคราะห์ differential expression

สร้าง design matrix ด้วย model.matrix
สร้าง contrasts matrix ด้วย makeContrasts
ทดสอบ contrasts ด้วย lmFit, contrasts.fit และ eBayes

Group-means model สำหรับการศึกษา doxorubicin

$$ Y = \beta_1 X_1 + \beta_2 X_2 + \beta_3 X_3 + \beta_4 X_4 + \epsilon $$

$\beta_1$ - ค่าเฉลี่ย expression ในหนู top2b ที่ได้รับ dox
$\beta_2$ - ค่าเฉลี่ย expression ในหนู top2b ที่ได้รับ pbs
$\beta_3$ - ค่าเฉลี่ย expression ในหนู wt ที่ได้รับ dox
$\beta_4$ - ค่าเฉลี่ย expression ในหนู wt ที่ได้รับ pbs

Contrasts สำหรับการศึกษา doxorubicin

	$\beta_1$	$\beta_2$	$\beta_3$	$\beta_4$
`genotype`	top2b	top2b	wt	wt
`treatment`	dox	pbs	dox	pbs

Response of wild type mice to dox treatment: $\beta_3 - \beta_4 = 0$
Response of Top2b null mice to dox treatment: $\beta_1 - \beta_2 = 0$
Differences between Top2b null and wild type mice in response to dox treatment: $(\beta_1 - \beta_2) - (\beta_3 - \beta_4) = 0$

การทดสอบในการศึกษา doxorubicin

ฟิตค่าสัมประสิทธิ์โมเดลด้วย lmFit
ฟิต contrasts ด้วย contrasts.fit
คำนวณ t-statistics ด้วย eBayes

# Summarize results
results <- decideTests(fit2)
summary(results)

# Create a Venn diagram
vennDiagram(results)

มาฝึกกันเถอะ!

การวิเคราะห์ Differential Expression ด้วย limma ใน R